Guide utilisateur : comment l’équipe Finance de Comcast Technology Solutions met Zuora AI au service de ses activités

Chez Comcast Technology Solutions, Chris Skalet ne cherchait pas à réinventer la finance. Il voulait simplement arrêter de parcourir les factures une par une en cliquant sans fin. Après quelques petites expérimentations, menées de façon volontaire et méthodique, avec Zuora AI, son équipe consacre désormais son temps à l’analyse plutôt qu’aux tâches administratives, et Skalet a une nouvelle idée de ce que la fonction finance peut devenir.

L’approche de Skalet constitue un modèle utile pour les professionnels de la finance qui souhaitent appliquer l’IA sans perdre la maîtrise : partir d’une tâche connue, donner à l’outil des consignes précises, valider le résultat en le confrontant à des chiffres de référence, et laisser les décisions de mise en production aux personnes responsables du processus métier.

Chris considère Zuora AI moins comme un remplacement autonome de la fonction Finance que comme un collègue compétent. L’outil peut aider à investiguer, expliquer, interroger et exécuter des tâches approuvées, mais c’est le professionnel de la finance qui apporte le contexte et qui demeure responsable du résultat.

Un workflow pratique ressemble à ceci :

• Demander : Décrire le résultat métier visé et le périmètre de la tâche.
• Examiner : Passer en revue les données, la logique, la requête ou les enregistrements identifiés par l’IA.
• Valider : Comparer le résultat à des exemples connus, à des totaux de référence fiables ou au comportement attendu.
• Décider : Déterminer si le résultat est prêt à être utilisé, s’il nécessite un affinage ou s’il ne doit pas être poursuivi.

Les exemples de prompts ci-dessous sont adaptés des workflows de Chris. Un schéma de prompt utile est : contexte métier + tâche spécifique + périmètre et période + livrable attendu + contraintes ou étape d’approbation.

Le défi

Les équipes réparties peuvent introduire de petites incohérences de configuration difficiles à détecter manuellement. Pour l’équipe Finance de Comcast Technology Solutions, il s’agissait d’un profil de communication qui ne correspondait pas au type de compte. Chris avait besoin d’un moyen d’identifier ces exceptions sans transformer un audit de routine en une modification large et risquée des données en production. C’était aussi son premier véritable test de l’outil : une question cadrée, à faible enjeu, pour laquelle il pouvait examiner chaque résultat, enregistrement par enregistrement, avant de confier à Zuora AI quoi que ce soit de plus critique.

Comment Chris l’a résolu avec Zuora AI

Chris a commencé par une comparaison en lecture seule sur un petit ensemble de comptes bien compris, en demandant à Zuora AI de signaler les enregistrements qui ne respectaient pas la relation attendue entre profil et type de compte, d’expliquer pourquoi, et de laisser les données sous-jacentes inchangées. L’outil a mis en évidence plusieurs comptes auxquels un profil incorrect était associé, et son équipe les a corrigés manuellement. C’était une petite victoire, mais cela lui a montré que l’outil pouvait réellement voir ce qu’il avait besoin qu’il voie, avant qu’il ne lui confie quoi que ce soit de plus sensible.

Exemple de prompt

Examinez les profils de communication associés à [ensemble de comptes ou type de compte] sur la période [période]. Comparez chaque profil avec le type de compte et ne renvoyez que les enregistrements qui semblent incohérents. Produisez un tableau avec l’ID du compte, le nom du compte, le type de compte, le profil actuel, le profil attendu et la raison de l’exception. Ne modifiez aucun enregistrement.

Valider avant d’agir

• Confirmer que la comparaison utilise les règles de type de compte prévues.
• Examiner chaque exception avant d’effectuer une correction.
• Vérifier que les autorisations de l’utilisateur empêchent toute modification involontaire.
• Conserver la piste d’audit ou le processus de revue existant pour la correction.

Le défi

Certains clients de CTS ont des factures en brouillon qui doivent être comptabilisées après leur génération par le système. Dans la diffusion publicitaire, un seul cycle mensuel peut impliquer des dizaines, voire des centaines de factures, et Chris se souvient en avoir comptabilisé environ 60 pour un client lors de la clôture, un clic à la fois. « C’était un peu épuisant mentalement », dit-il. « Je pourrais consacrer mon temps à quelque chose de plus utile. »

Comment Chris a résolu le problème avec Zuora AI

Chris a fourni à Zuora AI la liste des factures et lui a demandé de séparer les factures prêtes à être comptabilisées des exceptions, puis de ne comptabiliser que les factures qu’il avait explicitement approuvées. Rien n’a changé quant à la décision de ce qui devait se passer ; l’outil n’agissait pas sur la base d’une intention déduite, mais uniquement sur son instruction explicite. Ce qui a disparu, c’est la navigation manuelle par clics, ainsi que le risque de perdre le fil en cours de route.

Exemple de prompt

Pour [ensemble de clients/comptes] et [période de facturation], identifiez les factures qui sont encore au statut brouillon et semblent prêtes à être comptabilisées. Renvoyez un tableau avec l’ID de facture, le nom du compte, la date de facture, le montant, le statut et toute exception bloquante. Ne comptabilisez rien et n’envoyez aucun e-mail tant que je n’ai pas explicitement approuvé la liste finale.

Après examen de la liste, une instruction de suivi pourrait être :

Ne comptabilisez que les ID de facture approuvés de la liste ci-dessus. Excluez toute facture comportant une exception ou un statut autre que brouillon. N’envoyez pas d’e-mails aux clients. Renvoyez le nombre de factures comptabilisées, les ID de facture et toute erreur.

Valider avant d’agir

• Confirmer la liste des factures et la période de facturation.
• Exclure les enregistrements comportant des exceptions ou des statuts inattendus.
• Vérifier que l’action est autorisée pour l’utilisateur et l’environnement.
• Relire la confirmation et rapprocher le nombre de factures comptabilisées avec la liste approuvée.

Le défi

Les workflows de facturation peuvent intégrer des règles métier qui s’accumulent au fil du temps, et lorsqu’un type de commande est traité de manière incorrecte, l’équipe Finance doit comprendre d’où vient ce comportement et quelle modification le corrigerait, sans pousser un changement non testé en production. Diagnostiquer ce type de problème impliquait auparavant d’empiler plusieurs niveaux d’expertise et d’attendre des personnes qui n’étaient pas toujours disponibles à la demande. 

Comment Chris l’a résolu avec Zuora AI

Chris a demandé à Zuora AI de retracer la logique pertinente, d’expliquer le comportement actuel et de proposer la plus petite modification permettant d’obtenir le résultat attendu. Il a utilisé l’outil pour réécrire et tester le correctif dans un environnement sandbox, puis a lui-même déplacé la version validée en production, via le processus approuvé par l’équipe. Il connaissait toujours la règle métier, définissait toujours le résultat attendu et gardait la décision finale sur ce qui était livré. « La rapidité avec laquelle on peut corriger quelque chose au moment même où l’idée survient fait toute la différence », partage Chris. 

Exemple de prompt

Pour [type de commande] dans [tenant/environnement], le résultat de facturation attendu est [décrire le résultat]. Retracez la logique du workflow qui détermine le comportement actuel. Retournez : 1) la règle ou le code pertinent, 2) une explication du comportement actuel, 3) la plus petite modification proposée, 4) les hypothèses, et 5) les impacts potentiels en aval. Ne modifiez pas la production.

Après que l’outil a proposé une modification :

Réécrivez la logique pertinente pour la modification proposée. Montrez le comportement avant/après et fournissez des cas de test positifs, négatifs et de bord pour la sandbox. Identifiez les dépendances ou les étapes d’approbation. Ne déployez pas et ne modifiez pas la production.

Valider avant d’agir

• Définissez le résultat métier attendu avant d’examiner le changement technique.
• Testez à la fois le scénario visé et des cas de bord proches.
• Comparez les résultats de la sandbox à des exemples connus.
• Le cas échéant, faites revoir la modification avec le partenaire technique ou support approprié.
• Ne passez la modification en production qu’en suivant le processus approuvé.

Le défi

L’analyse de fin de mois nécessite souvent d’extraire séparément des informations à partir des factures, notes de crédit, paiements et rapports fiscaux, puis d’assembler manuellement les résultats — du temps passé avant même que l’analyse ne commence.

Comment Chris l’a résolu avec Zuora AI

Chris a demandé à Zuora AI de regrouper les factures, notes de crédit, paiements et informations fiscales dans une seule requête. Il a comparé le résultat aux chiffres auxquels son équipe se fiait déjà, a signalé les écarts, a expliqué à quoi devait ressembler le résultat correct, puis a demandé à l’IA d’affiner la requête jusqu’à obtenir une concordance. Il s’agissait d’une validation itérative, et non d’une acceptation aveugle ; mais une fois le résultat aligné, son équipe disposait d’un rapport fiable au lieu d’un exercice manuel de rapprochement. « Mon équipe analyse au lieu de télécharger et de vérifier des synthèses », partage Chris. « Ces tâches manuelles ont disparu. »

Exemple de prompt

Pour [période], regroupez les factures, notes de crédit, paiements et informations fiscales par [compte/client/produit]. Retournez : 1) les totaux de rapprochement, 2) les enregistrements et champs utilisés, 3) les enregistrements non appariés ou en double, 4) les écarts, et 5) les causes probables. Expliquez les jointures et les hypothèses. Ne modifiez aucune donnée.

Pour la validation :

Comparez ce résultat avec les totaux de référence ci-dessous. Identifiez chaque écart, expliquez la cause probable, et révisez la requête uniquement lorsque l’écart est dû à la logique de la requête. Conservez une trace claire des modifications et retournez la requête finale dans un format réutilisable.

Valider avant d’agir

• Rapprocher les totaux avec les rapports de référence.
• Vérifier les doublons créés par les jointures.
• Tester un petit échantillon connu avant d’étendre la requête.
• Examiner la manière dont les crédits, paiements, taxes et écarts de temporalité sont représentés.
• Conserver la requête finale et les notes de validation à disposition pour une utilisation reproductible en fin de mois.

Le défi

Lorsqu’une entreprise ajoute une gamme de produits ou élargit sa base de clients, la complexité de la facturation peut devenir une véritable contrainte sur la rapidité avec laquelle cette expansion peut se réaliser. L’activité de diffusion publicitaire de CTS a été intégrée avec environ 300 clients, en construisant chaque compte un par un. C’est un travail lent et manuel, qui faisait de chaque nouveau client une tâche isolée.

Comment Chris l’a résolu avec Zuora AI

Chris décrit un modèle opérationnel plus récent : partir d’une liste de clients et laisser Zuora AI faire ressortir les données manquantes, signaler les configurations incohérentes et distinguer les exceptions des cas standard. La création de comptes et les modifications passent toujours par les autorisations et la revue existantes de l’équipe ; l’IA met en évidence, elle ne décide pas.

Exemple de prompt

À partir de la liste de clients approuvée, du modèle de compte et des [règles produit ou de l’unité opérationnelle], identifiez les champs manquants, les configurations incohérentes et les enregistrements nécessitant une revue manuelle. Regroupez les exceptions par type et renvoyez l’ID client, le nom du compte, le champ manquant ou incohérent, la prochaine action recommandée, ainsi qu’un niveau de confiance ou une justification. Ne créez ni ne modifiez aucun compte.

Valider avant d’agir

• Confirmer la liste source et le modèle de compte.
• Distinguer la configuration reproductible des exceptions.
• Examiner un échantillon avant de déployer le processus à grande échelle.
• S’assurer que seuls les utilisateurs autorisés peuvent créer ou modifier des enregistrements.
• Suivre les exceptions non résolues via le processus opérationnel existant de l’équipe.

L’approche de Chris est prudente et pragmatique. Il souhaite obtenir des résultats rapidement, mais il s’attend aussi à ce que l’outil fonctionne dans le cadre des contrôles existants.

Appliquez ces garde-fous lorsque vous utilisez le même modèle :

• Commencez dans un environnement bac à sable ou sur un petit échantillon bien maîtrisé.
• Utilisez des consignes explicites. Précisez le périmètre, le résultat attendu, les exclusions, ainsi que si l’outil est autorisé à effectuer des actions.
• Séparez l’analyse de l’exécution. Demandez à l’outil d’identifier et d’expliquer avant de lui demander de modifier quoi que ce soit ou de publier quoi que ce soit.
• Validez à partir de données de référence fiables. Des totaux connus et des exemples connus sont indispensables pour contrôler les résultats.
• Respectez les autorisations fondées sur les rôles. Un utilisateur en lecture seule doit rester en lecture seule.
• Maintenez un décideur humain dans la boucle. En particulier lorsqu’un changement pourrait avoir un impact sur les résultats de facturation.
• Documentez le résultat final. Conservez la requête approuvée, la modification ou la logique de rapprochement afin d’en garantir la reproductibilité.

Les équipes Finance peuvent démarrer sans refondre l’ensemble de leur modèle opérationnel :

1. Choisissez une tâche répétitive, avec une définition claire de ce qui est considéré comme terminé.
2. Testez-la sur un petit échantillon que l’équipe maîtrise déjà.
3. Demandez à l’IA d’expliquer sa démarche et de faire remonter les cas d’exception.
4. Comparez le résultat à des références fiables et affinez la consigne.
5. N’élargissez le périmètre qu’une fois que l’équipe peut expliquer ce qui s’est passé et pourquoi.
6. Maintenez l’exécution en production soumise aux autorisations existantes et aux validations.

L’enseignement principal tiré de l’expérience de Chris est que le meilleur point de départ n’est pas la tâche la plus ambitieuse. C’est celle qui permet à la Finance d’obtenir une victoire sûre et visible, et de dégager davantage de marge pour le travail que seule la Finance peut réaliser : apporter le contexte, exercer le jugement et fournir l’analyse métier.